《数字图像处理与机器视觉——Visual C++与Matlab实现》知识要点总结

第0~2章介绍了数字图像处理的基础知识和编程基础。 第3~4章分别介绍了图像的灰度变换和几何变换。通过灰度变换可以有效地改善图像的外观，并在一定程度上实现图像的灰度归一化；几何变换则主要应用在图像的几乎归一化和图像校准当中。总体而言，这些内容是图像前期预处理工作的一部分，是图像处理中相对固定和程序化的内容。 经典案例——以灰度直方图为依据的图像增强方法 图像平移，图像镜像，图像转秩，图像缩放，图像旋转 图像配准：将统一场景的两幅或者是多幅图像进行对准 汽车牌的投影失真校准 第5~6章分别从空间域和频率域两个角度考量图像增强的各个主要方面。图像增强作为数字图像处理中相对简单却最具艺术性的领域之一，可理解为根据特定的需求突出一幅图像中的某些信息，同时，削弱或去除一些不需要信息的处理方法。其主要目的是使处理后的图像对某种特定的应用来说，比原始图像更有用。 经典案例——改善椒盐噪音对图像的污染 图像的锐化 利用频域滤波消除周期噪声

第7章介绍色彩模型之间的相互转换以及彩色图像处理方式 经典案例——彩色平衡及其matlab实现

第8~10章包括形态学处理、边缘检测与图像分割、特征提取，可以说是从单纯图像处理到图像识别（机器视觉）的过渡，这一阶段的特点是输入的是图像，输出的则是在识别意义上我们感兴趣的图像元素。图像学形态处理是提取图像元素技术的有力技术，它在表现和描述形态方面非常有用；分割过程则是将一副图像划分为组成部分或目标对象；研究特征提取则是要讲前面提取出来的图像元素或目标对象表示为适合计算机后续处理的数值形式，最终形成能够直接供分类器使用的特征。 经典案例——腐蚀，膨胀，以及开闭运算 边界提取与跟踪及其实现 细菌计数 手写字符的细化 凸壳及其实现 灰度腐蚀及其实现 顶帽变换及其实现 图像分割 边缘检测 特征提取：基于PCA的人脸特征

第11章在前面知识的基础上，引出了机器视觉的前导性内容，给出了解决识别问题的一般思路。 第12~13章介绍了两种十分强大的分类技术，人工神经网络和支持向量机。 经典案例——手写数字识别和人脸识别